RetinaMask模型-推理指导
概述
在RetinaMask中，采用了ResNet和MobileNet。neck是backbone和heads的中间部分，可以增强或细化原始特征图（backbone输出）,在RetinaMask中使用FPN，可以提取高级语义信息，然后利用系数计算进行信息融合。
-
参考实现：
url=https://gitcode.com/ascend/ModelZoo-PyTorch/tree/master/PyTorch/contrib/cv/detection/RetinaMask code_path=contrib/cv/detection/RetinaMask
输入输出数据
-
输入数据
输入数据 数据类型 大小 数据排布格式 input RGB_FP32 batchsize x 3 x 1344 X 1244 NCHW -
输出数据
输出数据 数据类型 大小 数据排布格式 output1 FLOAT32 batchsize x 1000 x 4 ND output2 INT32 batchsize x 1000 ND output3 FLOAT32 batchsize x 1000 ND output4 FLOAT32 batchsize x 1000 x 1 x 28 x 28 NCHW
推理环境准备
-
该模型需要以下插件与驱动
表 1 版本配套表
配套 版本 环境准备指导 固件与驱动 1.0.17(NPU驱动固件版本为6.0.RC1) Pytorch框架推理环境准备 CANN 6.0.RC1 - Python 3.7.5 - Pytorch 1.6.0 -
快速上手
获取源码
-
安装依赖。
pip install -r requirements.txt
说明： torch1.6在arm上不支持pip直接安装，如在arm上复现请参考官方源码编译步骤安装
- 获取源码。
- 安装npu版retinamask源码
git clone https://gitcode.com/ascend/ModelZoo-PyTorch cp -r ./ModelZoo-PyTorch/PyTorch/contrib/cv/detection/RetinaMask ./ cd RetinaMask patch -p1< ../RetinaMask.patch cd ..
准备数据集
- 数据预处理。
本模型已在coco 2017数据集上验证过精度。推理数据集采用coco_val_2017，请用户自行获取coco_val_2017数据集。将instances_val2017.json文件和val2017文件夹按照如下目录结构上传。
├──datasets
└── coco
├──annotations
└──instances_val2017.json
└── val2017
执行RetinaMask_preprocess.py脚本，完成预处理。
python ./RetinaMask_preprocess.py --image_src_path=./coco/val2017 --bin_file_path=./bins --bin_info_name="retinamask_coco2017.info"
- 参数说明：
- --image_src_path：原始数据验证集（.jpg）所在路径。
- --bin_file_path：输出的二进制文件（.bin）所在路径。
- --bin_info_name：输出的二进制数据集（.info）文件。
运行成功后，会在当前目录下生成二进制文件。
模型推理
-
模型转换。
使用PyTorch将模型权重文件.pth转换为.onnx文件，再使用ATC工具将.onnx文件转为离线推理模型文件.om文件。
-
获取权重文件。
1.下载pth文件 提取码：xxzz
-
导出onnx文件。
- 使用RetinaMask_pth2onnx.py导出onnx文件。
cd RetinaMask python ../RetinaMask_pth2onnx.py --cfg_path="./configs/retina/retinanet_mask_R-50-FPN_2x_adjust_std011_ms.yaml" --weight_path="../npu_8P_model_0020001.pth" --save_path="../retinamask.onnx" --simplify=True cd ..-
参数说明：
- --weight_path：PTH权重路径
- --save_path：ONNX文件保存路径。
- --simplify：是否简化ONNX模型，默认简化。
- --cfg_path：模型使用的YAML配置文件。
获得retinamask.onnx文件.该模型只支持bs1.
- 执行cast_onnx.py脚本.
python cast_onnx.py --weight_path retinamask.onnx --save_dir retinamask_cast.onnx说明： Concat_742节点的input_0与input_1在转换om的过程中，被分别转换为float16与float32，引起报错。因此将onnx模型手动插入cast节点，均转换至float16以避免问题。
-
使用ATC工具将ONNX模型转OM模型。
-
配置环境变量。
source /usr/local/Ascend/ascend-toolkit/set_env.sh -
执行命令查看芯片名称（${chip_name}）。
npu-smi info #该设备芯片名为Ascend310P3 （自行替换） 回显如下： +-------------------+-----------------+------------------------------------------------------+ | NPU Name | Health | Power(W) Temp(C) Hugepages-Usage(page) | | Chip Device | Bus-Id | AICore(%) Memory-Usage(MB) | +===================+=================+======================================================+ | 0 310P3 | OK | 15.8 42 0 / 0 | | 0 0 | 0000:82:00.0 | 0 1074 / 21534 | +===================+=================+======================================================+ | 1 310P3 | OK | 15.4 43 0 / 0 | | 0 1 | 0000:89:00.0 | 0 1070 / 21534 | +===================+=================+======================================================+ -
执行ATC命令。
atc --framework=5 --model="./retinamask_cast.onnx" --output="./retinamask" --input_format=NCHW --input_shape="input:1,3,1344,1344" --log=error --soc_version=Ascend{chip_name}-
参数说明：
- --model：为ONNX模型文件。
- --framework：5代表ONNX模型。
- --output：输出的OM模型。
- --input_format：输入数据的格式。
- --input_shape：输入数据的shape。
- --log：日志级别。
- --soc_version：处理器型号。
-
运行成功后生成retinamask.om模型文件。
-
-
-
开始推理验证。
-
使用ais-bench工具进行推理。
ais-bench工具获取及使用方式请点击查看[ais_bench 推理工具使用文档]
-
执行推理。
python -m ais_bench --model retinamask.om --input bins --output ./ --outfmt BIN --batchsize 1 --output_dirname result
-
参数说明：
-
--model: OM模型路径。
-
--input: 存放预处理bin文件的目录路径
-
--output: 存放推理结果的目录路径
-
--batchsize：每次输入模型的样本数
-
--outfmt: 推理结果数据的格式
-
--output_dirname: 输出结果子目录 推理后的输出默认在当前目录result下
说明： 执行ais-bench工具请选择与运行环境架构相同的命令。参数详情请参见。
-
-
精度验证。
调用“RetinaMask_postprocess.py”评测模型的精度。
python ./RetinaMask_postprocess.py --input_text_path="./retinamask_coco2017.info" --infer_results_path=./result --coco_path="./coco" -- output_path="./evaluation_results.txt"-
参数说明：
- --input_text_path：数据集信息info文件路径。
- --infer_results_path：执行推理后结果保存路径。
- --coco_path：coco2017数据集的根目录。
- --output_path：精度结果保存。
-
性能验证。
可使用ais_bench推理工具的纯推理模式验证不同batch_size的om模型的性能，参考命令如下：
python ais_infer.py --model ./retinamask.om --loop 100 --batchsize 1-
参数说明：
- --model: om模型
- --batchsize: 每次输入模型样本数
- --loop: 循环次数
-
模型推理性能&精度
调用ACL接口推理计算，性能参考下列数据。
- 精度对比
| batch | 300I PRO |
|---|---|
| 1 | bbox 0.279 segm 0.248 |
- 性能对比
| batchsize | 300I PRO |
|---|---|
| 1 | 4.3fps |